論文の概要: HARMONIA: Interpretable Graph Learning through Mixtures of Neural Bases

• arxiv url: http://arxiv.org/abs/2609.33972v1
• Date: Sun, 27 Sep 2026 22:15:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 08:11:17.78502
• Title: HARMONIA: Interpretable Graph Learning through Mixtures of Neural Bases
• Title（参考訳）: HARMONIA:ニューラルネットワークの混合による解釈可能なグラフ学習
• Abstract要約: HARMONIA: ニューラルネットワークの混合による解釈可能なグラフ学習。 機能モデリングには、HARMONIAがMixture of Neural Bases (MoNB)を導入している。 構造モデリングでは、HARMONIAはRelative Random Walk Probabilities (RRWP)を使用してマルチホップとマルチパスの関係をキャプチャする。
• 参考スコア（独自算出の注目度）: 9.942000845212254
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Existing interpretable graph additive models still face limitations in either computational scalability or modeling flexibility. In terms of structural modeling, previous approaches either face quadratic scaling costs or sacrifice explicit source-to-target contribution decomposition. In terms of feature components, they rely either on per-feature neural networks or on single shared bases with limited feature specialization. We address both problems by introducing HARMONIA: Interpretable Graph Learning through Mixtures of Neural Bases, an interpretable-by-design framework. For feature modeling, HARMONIA introduces a Mixture of Neural Bases (MoNB), which routes features to specialized basis experts, enabling parameter sharing without sacrificing feature-specific specialization. For structural modeling, HARMONIA uses Relative Random Walk Probabilities (RRWP) to capture multi-hop and multi-path relationships, and proposes Sparse RRWP Aggregation (SRA) to compute these interactions through sparse graph propagation without quadratic pairwise complexity. HARMONIA retains a simple additive form in which predictions decompose into feature responses modulated by structural influence. Empirically, HARMONIA achieves stronger explanation recovery than existing interpretable graph baselines while maintaining competitive predictive performance and scaling to graphs with millions of nodes. These results show that interpretable graph learning can remain both faithful and scalable without sacrificing predictive effectiveness.
• Abstract（参考訳）: 既存の解釈可能なグラフ付加モデルは、計算のスケーラビリティまたはモデリングの柔軟性の制限に直面している。 構造モデリングの観点では、以前のアプローチは2次スケーリングコストに直面するか、明示的にソースからターゲットへのコントリビューションの分解を犠牲にする。 機能コンポーネントの面では、機能ごとのニューラルネットワークか、機能の専門性に制限のある単一の共有ベースに依存している。 HARMONIAを導入することで、両方の問題に対処する: ニューラルネットワークの混合による解釈可能なグラフ学習。 機能モデリングのために、HARMONIAはMixture of Neural Bases (MoNB)を導入している。 構造モデリングでは、HARMONIAは相対ランダムウォーク確率(RRWP)を用いてマルチホップとマルチパスの関係を捉え、スパースRRWPアグリゲーション(Sparse RRWP Aggregation, SRA)を提案する。 HARMONIAは単純な付加形式を保持しており、予測は構造的影響によって変調された特徴応答に分解される。 経験的に、HARMONIAは既存の解釈可能なグラフベースラインよりも強力な説明リカバリを実現し、競合予測性能を維持し、数百万ノードのグラフにスケールする。 これらの結果から,解釈可能なグラフ学習は,予測効率を犠牲にすることなく,忠実かつスケーラブルに維持できることが示された。

関連論文リスト

• Causal Neighbourhood Learning for Invariant Graph Representations [8.854365724044984]
  本稿では,グラフ構造に対する因果的介入を行う新しいフレームワークであるグラフニューラルネットワークを用いた因果学習(CNL-GNN)を提案する。 CNL-GNNは因果関係を効果的に同定し、保存し、刺激的な影響を減少させる。 提案手法は,従来の特徴に基づく手法を超えて因果グラフ学習を改善し,ロバストな分類モデルを実現する。
  論文  参考訳（メタデータ） (2026-02-20T01:52:58Z)
• Exact Computation of Any-Order Shapley Interactions for Graph Neural Networks [53.10674067060148]
  共有インタラクション(SI)は、複数のノード間のノードのコントリビューションとインタラクションを定量化する。 GNNアーキテクチャを利用して、ノード埋め込みにおける相互作用の構造がグラフ予測のために保存されていることを示す。 任意の順序SIを正確に計算するための効率的なアプローチであるGraphSHAP-IQを導入する。
  論文  参考訳（メタデータ） (2025-01-28T13:37:44Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• Neural Graphical Models [2.6842860806280058]
  本稿では,複雑な特徴依存を合理的な計算コストで表現するために,NGM(Neural Graphical Models)を導入する。 ニューラルネットワークをマルチタスク学習フレームワークとして使用することにより,機能間の依存関係構造と複雑な関数表現をキャプチャする。 NGMは、有向グラフ、無向グラフ、混合エッジグラフを含む一般的なグラフ構造に適合し、混合入力データ型をサポートする。
  論文  参考訳（メタデータ） (2022-10-02T07:59:51Z)
• Learning compositional structures for semantic graph parsing [81.41592892863979]
  本稿では、AM依存性解析をニューラル潜在変数モデルで直接トレーニングする方法を示す。 本モデルでは,いくつかの言語現象を独自に把握し,教師あり学習に匹敵する精度を達成している。
  論文  参考訳（メタデータ） (2021-06-08T14:20:07Z)
• Amortized Probabilistic Detection of Communities in Graphs [39.56798207634738]
  そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。 我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。 我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
  論文  参考訳（メタデータ） (2020-10-29T16:18:48Z)
• Structural Landmarking and Interaction Modelling: on Resolution Dilemmas in Graph Classification [50.83222170524406]
  解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」 構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
  論文  参考訳（メタデータ） (2020-06-29T01:01:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。